用于分子设计的核弹性自编码器
机器学习
2024-03-26 v2
摘要
我们提出核弹性自编码器（KAE），一种基于 transformer 架构、在分子设计上性能增强的自监督生成模型。KAE 基于两个新颖损失函数构建：修正最大均值差异与加权重构。KAE 解决了同时实现有效生成与精确重构这一长期存在的挑战。KAE 在分子生成中实现了显著的多样性，同时在独立测试集上保持近乎完美的重构，超越了以往的分子生成模型。KAE 支持条件生成，并允许基于集束搜索进行解码，从而在约束优化中取得最先进的性能。此外，如 AutoDock Vina 与 Glide 打分所证实，KAE 能生成对对接应用中 favorable 结合亲和力具有条件性的分子，优于训练集中所有现有候选。除分子设计外，我们预期 KAE 可应用于通过生成解决广泛应用中的问题。
引用
@article{arxiv.2310.08685,
title = {Kernel-Elastic Autoencoder for Molecular Design},
author = {Haote Li and Yu Shee and Brandon Allen and Federica Maschietto and Victor Batista},
journal= {arXiv preprint arXiv:2310.08685},
year = {2024}
}